文章目录
- 1经典流程
- 2opals流程
- 3pcl流程
- 4最终流程：
- 情况A:
- 情况B:
- 2经典论文
1经典流程
根据经典论文《Efficient variants of the ICP algorithm》的描述，icp分为以下6个过程：
- Selection ：对点云进行处理，选择合适的点云进行配准
- Matching ：对基准点云和待配准点云进行最近邻点匹配
- Weighting ：对匹配对进行加权
- Rejecting ：匹配对中存在一些错误匹配对，需要根据一定法则去除
- error metric：选择误差度量，如点到点，点到面度量
- Minimizing ：将匹配对利用svd，最小二乘等方法求解R,T参数
2opals流程
但是在实践中，发现上述流程存在一些不足：
发现opalsICP整体流程要更完整一些：
这里增加final overlap 寻找点云重叠区域（有必要的：如果点云没有重叠度，不能应用ICP算法，并且利用重叠区域求解ICP R T会增加准确度，减少计算量），同时增加了transform阶段（即：利用迭代求解的R T更新点云），此外流程图中还指明了迭代的过程，如下：
3pcl流程
opalsicp流程，仍然存在一些不足：
第一步应该是根据初始R T，将点云进行变换（即先进行transform过程），而后再寻找重叠区域等。
PCL icp.hpp computeTransformation()函数 和 trimmed.icp.h align()函数，均利用R T初值对点云进行了变换。
4最终流程：
综上：总结icp最终流程如下：
情况A:
当初始R T接近真实R T时。在这种情况下：每次迭代求解的R T对于点云重叠区域变化影响很小（即，前一次迭代的R T的重叠区域和后一次迭代R T的重叠区域非常接近），几乎不影响ICP计算的效率。此时transform的对象是selection后的点云，而非整个点云。因此每次迭代若不收敛，则回到matching阶段。这种情况是比较常见的，因为ICP算法，要求初值必须比较接近真值，属于精配准，此时icp配准流程为：
情况B:
当给定的初值R T与真实值差异比较大时。此时导致迭代前后两次的RT差异较大，导致两次迭代重叠区域会变换比较大，影响重叠区域的准确性，从而影响匹配对的数量和准确性。此时transform的对象是整个点云，而非selection后的点云。因此需要每次迭代回到find overlap阶段：
2经典论文
点到点icp《Method for registration of 3-D shapes》1991
点到面icp《Object modelling by registration of multiple range images》1992
线性求解点到面icp《Linear Least-Squares Optimization for Point-to-Plane ICP Surface Registration》2004
trimmed icp《The Trimmed Iterative Closest Point algorithm》2003
gicp《Generalized-ICP》2009
sparse icp《Sparse Iterative Closest Point》2013
nicp《NICP: Dense normal based point cloud registration》2015
goicp《Go-ICP: A Globally Optimal Solution to 3D ICP Point-Set Registration》2016
Symmetrized ICP《A symmetric objective function for ICP》2019
Voxelized GICP《Voxelized GICP for Fast and Accurate 3D Point Cloud Registration》2021
